NDT 4.0 – فرصت یا تهدید؟

شکی نیست که جهان حال حاضر در میان تحولی مبتنی بر فناوری قرار دارد که این تحول در زندگی روزمره ما از طریق پیشرفت‌های فنی ملموسی مانند اتومبیل‌های خودران و هوش مصنوعی مشهود است.

دنیای اطراف ما با سرعتی زیادی در حال تغییر است و این امر بر روشی که تقریباً همه‌چیز را تولید می‌کنیم نیز تأثیر می‌گذارد. کل صنایع متحول شده است و پیامدهای عمده‌ای برای متخصصان در بسیاری از زمینه‌ها به همراه دارد. این گذار آن‌قدر قانع‌کننده است که به نام Industry 4.0 «صنعت 4.0»، یعنی چهارمین انقلاب صنعتی، نام‌گذاری شده است. در این خصوص عوامل مختلفی در کنار یکدیگر قرار می‌گیرند و تأثیر زیادی بر وضعیت موجود دارند. این عوامل شامل رباتی شدن، استفاده از داده‌ها، هوش مصنوعی، تولید اثربخش، سیستم‌های یکپارچه، محاسبات ابری، اینترنت اشیا و موارد دیگر است.

بیشتر بخوانید : سیستم های پایش وضعیت پیوسته کابل

صنعت تست غیر مخرب یا NDT نیز نمی‌تواند از این تغییرات اساسی در امان باشد. تقریباً همه روش‌ها تحت تأثیر قرار می‌گیرند – برخی بیشتر و برخی دیگر کمتر. بنابراین این سؤال مطرح می‌شود که آیا این تغییر در صنعت تست غیر مخرب یک فرصت است یا یک تهدید؟
این مقاله که از چند بخش تشکیل شده این تغییرات اساسی را با استفاده از چند مثال خاص از حوزه رادیوگرافی Radiogaphic Testing (RT) بررسی خواهد کرد. در این مقاله برخی از بزرگ‌ترین تغییرات ناشی از فناوری جدید رادیوگرافی را خواهد دید. ما در حال حاضر می‌توانیم برخی از آن‌ها را در صنعت پزشکی مشاهده کنیم.

بیشتر بخوانید : سرمایه گذاری تحصیلی در تست غیر مخرب

NDT 4.0 چیست؟

مفهوم تست غیر مخرب 4.0 یا NDT 4.0 صرفاً زیرمجموعه‌ای از بخش‌های تغییریافته‌ای است که توسط حرکت بسیار بزرگ‌تر Industry 4.0 «صنعت 4.0» هدایت می‌شود. مهم است که بدانیم این اصطلاح از کجا آمده است. تصویر بالا مراحل مختلف و اینکه اولین انقلاب صنعتی بین اواخر 1700 و اوایل 1800 رخ داد را نشان می‌دهد.

انقلاب صنعتی اول

در اولین دوره از انقلاب صنعتی، تولید از تمرکز بر کار دستی انجام شده توسط افراد به شکلی بهینه‌تر از کار با استفاده از موتورهای آب و بخار و سایر انواع ماشین‌ابزار تکامل یافت. در رادیوگرافی این مرحله زمان استفاده از فیلم و ایزوتوپ آنالوگ است.

انقلاب صنعتی دوم

در اوایل قرن بیستم، جهان با استفاده از برق در کارخانه‌ها وارد انقلاب صنعتی دوم شد. معرفی الکتریسیته تولیدکنندگان را قادر ساخت تا بهره‌وری را افزایش دهند و به تولید بیشتر ماشین‌آلات کارخانه‌ها کمک کرد.

در این مرحله بود که مفاهیم تولید انبوه مانند خط مونتاژ برای افزایش بهره‌وری معرفی شد. شرکت فورد نمونه‌ای عالی از آن دوره است. در رادیوگرافی تغییرات این فاز شامل ترکیب اجزای الکتریکی به‌منظور بهبود فرآیند و گردش کار است. به‌ویژه، این مورد همراه با استفاده از لوله‌های اشعه ایکس است که جایگزین ایزوتوپ‌ها و توسعه‌دهندگان خودکار فیلم می‌شوند.

انقلاب صنعتی سوم

در اواخر دهه 1950، سومین انقلاب صنعتی به‌آرامی شروع به ظهور کرد، زیرا تولیدکنندگان شروع به استفاده از فناوری‌های الکترونیکی و مبتنی بر رایانه در کارخانه‌های خود کردند. در این دوره، سازندگان تغییری را تجربه کردند که تأکید کمتری بر فناوری آنالوگ و مکانیکی و بیشتر بر فناوری دیجیتال و نرم‌افزار اتوماسیون داشت.

در دنیای رادیوگرافی، این مرحله با انتقال به آشکارسازهای دیجیتال، دستکاری‌کننده‌های قابل برنامه‌ریزی programmable manipulators NC، سیستم‌های آرشیو دیجیتال و روباتیک مشخص می‌شود.

توجه به این نکته ضروری است که اغلب اوقات این مرحله با فاز چهارم اشتباه گرفته می‌شود. توجه به این نکته بسیار مهم است که صرفاً وجود ربات و یا یک اتصال برنامه‌ریزی منابع سازمانی (Enterprise Resource Planning) ERP برای واجد شرایط بودن سیستم NDT 4.0 کافی نیست.

انقلاب صنعتی چهارم

انقلاب صنعتی چهارم با سیستم‌های کامپیوتری متصل، استفاده از ابزارهای ابری، اینترنت اشیا (IoT)، کارخانه‌های هوشمند، کلان داده‌ها (Big Data) ، هوش مصنوعی (AI)، ربات‌های مستقل و پیش‌بینی کننده‌های تعمیر و نگهداری مشخص می‌شود.

پذیرش این فناوری‌ها منجر به بهبودهای اساسی در بهره‌وری و کارایی می‌شود. ازآنجایی‌که این پیاده‌سازی صرفاً یک «تکامل» نیست، بلکه یک «انقلاب» در تولید است، گاهی مخرب نیز در نظر گرفته می‌شود.

این امر در دنیای NDT به معنای ادغام NDT در خط تولید است که به‌اصطلاح سامانه‌های توکار یا تعبیه‌شده (inline systems) نیز نامیده می‌شود. سیستم‌های تطبیق‌دهنده امکان استفاده در اندازه‌های بسیار کوچک را فراهم می‌کنند. عیوب به‌طور خودکار شناسایی و با معیارهای بازرسی (ADR) مقایسه می‌شوند و توموگرافی کامپیوتری (CT) برای بازسازی سه‌بعدی اشیاء و انجام تجزیه‌وتحلیل پیچیده استفاده می‌شود.

این بدان معناست که متخصصان NDT با چالش‌های اساسی روبرو هستند و ممکن است منحنی یادگیری شدیدی در پیش داشته باشند، زیرا ابزارهای جدید اغلب به رویکردی متفاوت و شاید حتی مجموعه‌ای از مهارت‌های کاملاً متفاوت نیاز دارند. مدیریت این تغییر کلید اصلی است.

تأثیر صنعت 4 بر زمینه‌های مختلف NDT

تصویر بالا زمینه‌های مختلف صنعت 4 یا Industry 4.0 را نشان می‌دهد که در بخش تست‌های غیر مخرب نیز اعمال می‌شود. به دلیل محدودیت، این ارزیابی نمی‌تواند کل‌نگر باشد، اما یک نمای کلی خوب را ارائه می‌دهد.

ابتدا، رباتیک و شبیه‌سازی‌ها را بررسی می‌کنیم، و اجازه می‌دهیم تا کارهای مدیریتی تکراری به‌طور خودکار انجام شوند. این امر باعث افزایش توان و ایمنی فرآیند و کاهش هزینه بازرسی می‌شود.

نمونه‌ای از بهره‌مندی از صنعت 4 در تست غیر مخرب

تصویر بالا نمونه‌ای از این جنس راه‌حل را نشان می‌دهد که در آن سه ربات به‌طور مشترک برای بازرسی کانال‌های هوایی و لوله‌های مورد استفاده در صنعت هوافضا همکاری می‌کنند. این گروه از ربات‌ها با هم همکاری می‌کنند و وظایف مدیریت و بازرسی قطعات را به اشتراک می‌گذارند. به این ترتیب، زمان چرخه بازرسی به‌طور مؤثر از چند ساعت به چند دقیقه کاهش می‌یابد. هنگامی‌که یک اپراتور می‌خواهد قطعه‌ای را بازرسی کند، فقط یک بارکد را اسکن می‌کند و سیستم به‌طور خودکار پارامترهای قابل اجرا و نگهدارنده قطعات را بارگذاری می‌کند.

تمام تصاویر تحت شماره سریالِ بایگانی شده و قابلیت ردیابی کامل ارائه می‌شوند. کیفیت تصویر همیشه تحت نظارت است، زیرا سیستم ارزیابی عملکرد خودکار طولانی مدت را طبق استاندارد ASTM E2737 انجام می‌دهد.

برنامه‌های جدید می‌توانند به صورت آفلاین برنامه‌ریزی شوند – از جمله گزینه استفاده از یک ابزار شبیه‌سازی CAD/CAM، بنابراین سیستم می‌تواند 100% برای تولید استفاده شود و نیازی به توقف برای مقاصد مهندسی ندارد و به این ترتیب بهره‌وری و توان تولید سیستم به‌طور قابل‌توجهی افزایش می‌یابد.

برای بهینه‌سازی بیشتر فرآیند، تکنسین‌های اشعه ایکس می‌توانند تصاویر اشعه ایکس را به‌صورت دیجیتالی شبیه‌سازی کنند؛ حتی قبل از اینکه قطعه را در سیستم بارگذاری کنند. این ویژگی این امکان را می‌دهد که بازرسی قطعه به‌راحتی امکان‌پذیر باشد و اپراتورها بتوانند پارامترهای صحیح اشعه ایکس را در مراحل اولیه فرآیند تعیین کنند.

در ادامه یک تصویر واقعی از اشعه ایکس و یک تصویر شبیه‌سازی‌شده آورده شده است که به‌وضوح می‌توان دید که نتایج به‌طور بسیار نزدیک همبستگی دارند.

هوش مصنوعی و کلان داده در صنعت 4

یکی دیگر از تمرکزهای مهم صنعت 4.0 هوش مصنوعی (AI) و کلان داده‌ها است. این مفاهیم به عنوان مثال در سیستم های شناسایی نقص خودکار (ADR) Automated Defect Recognition در رادیوگرافی تحقق یافته‌اند. نشانه‌هایی مانند روزنه ها و ترک‌ها به صورت خودکار شناسایی، اندازه‌گیری و بر اساس معیارهای بازرسی ارزیابی می‌شوند.

این امر در حال حاضر، به طور گسترده توسط صنعت خودروسازی پذیرفته شده و مورد استفاده قرار میگیرد و قطعاً پیش‌بینی می‌کنیم که صنایع دیگری مانند هوافضا نیز این مسیر خودکارسازی را دنبال کنند.

استراتژی های شناسایی کمک کننده در NDT 4

در تمام طول این انقلاب و تحول، منطقی است که یک استراتژی شناسایی نقص کمکی را اتخاذ کنیم، جایی که پیاده‌سازی هوش مصنوعی از اپراتور انسانی حمایت کرده و در فرآیند تصمیم‌گیری کمک ‌کند.

این رویکرد در پردازش داده‌ها نیز به عنوان یادگیری نظارت شده (supervised learning) شناخته می‌شود و اجازه آموزش سریع سیستم هوش مصنوعی زیرساختی را فراهم میسازد. به محض جمع‌آوری داده‌های کافی که می‌توانند با تصمیمات اپراتور همبسته شوند، نرم‌افزار هوش مصنوعی می‌تواند با استفاده از روش‌های احتمال تشخیص probability of detection (POD) مستندات لازم برای تایید سیستم ADR را مهیا سازند.

با افزایش قدرت محاسباتی، هوش مصنوعی قدرت خود را نشان می‌دهد. تصویر زیر مثالی را نشان می‌دهد که در آن تکنیک ADR برای ارزیابی یک رادیوگرافی دیجیتال از یک قطعه خودروسازی استفاده کرده است.

هنگام بررسی ساخت افزایشی Additive Manufacturing (AM)، تصویربرداری رادیوگرافی نقش مهمی ایفا می‌کند. کارشناسان صنعت بیان کرده‌اند که توموگرافی کامپیوتری Computed Tomography (CT) احتمالاً تنها فناوری است که می‌تواند به طور کافی قطعات پیچیده ساخت افزایشی یا AM را بازرسی کند تا آنها را برای محیط‌های حیاتی ایمنی تأیید کند.

شکل زیر اسکن یک پروب کششی را نشان می‌دهد؛ بخش بالایی برش‌های افقی و بخش پایینی برش‌های عمودی را نشان می‌دهد. با به دست آوردن مقادیر زیادی از رادیوگرافی‌های دیجیتال و محاسبه و تبدیل آنها به یک مدل سه‌بعدی، می‌توانیم اطلاعاتی درباره قطعات به دست آوریم که تا کنون نداشته‌ایم.

همچنین می‌توان تحلیل‌های پیشرفته‌ای مانند مقایسه واقعی-اسمی (actual-nominal)، تحلیل تخلخل (porosity analysis) و اندازه‌شناسی یا متریولوژی (metrology) انجام داد.

بیشتر بخوانید : پیاده‌سازی سیستم پایش وضعیت پیوسته کابل